[论文解读] Trend and Variance Adaptive Bayesian Changepoint Analysis & Local Outlier Scoring

Haoxuan Wu, David S. Matteson+1 more|arXiv (Cornell University)|Nov 18, 2020

Monetary Policy and Economic Impact参考文献 42被引用 4

一句话总结

本文提出自适应贝叶斯变点检测与异常值模型（ABCO），一种新颖的贝叶斯状态空间模型，可联合检测具有随机波动性的时间序列中的变点与局部异常值。通过整合全局-局部收缩先验与阈值随机波动率，ABCO 自适应地建模趋势、异常值与异方差噪声，在模拟实验与涉及复杂、非平稳数据的现实应用中，性能优于现有方法，尤其在存在显著异常值或方差突变的情况下表现更优。

ABSTRACT

We adaptively estimate both changepoints and local outlier processes in a Bayesian dynamic linear model with global-local shrinkage priors in a novel model we call Adaptive Bayesian Changepoints with Outliers (ABCO). We utilize a state-space approach to identify a dynamic signal in the presence of outliers and measurement error with stochastic volatility. We find that global state equation parameters are inadequate for most real applications and we include local parameters to track noise at each time-step. This setup provides a flexible framework to detect unspecified changepoints in complex series, such as those with large interruptions in local trends, with robustness to outliers and heteroskedastic noise. Finally, we compare our algorithm against several alternatives to demonstrate its efficacy in diverse simulation scenarios and two empirical examples on the U.S. economy.

研究动机与目标

• 开发一种稳健、自适应的贝叶斯框架，用于检测具有复杂非平稳行为的时间序列中的变点与局部异常值。
• 解决现有变点方法在处理异常值与异方差噪声方面的局限性，这些因素会降低真实应用场景中的性能。
• 通过引入具有不确定性量化与异常值评分的动态趋势建模，扩展贝叶斯变点分析。
• 实现对中断时间序列中结构断裂的模型驱动推断，包括在干预点处的效果量估计。
• 通过结合收缩先验与状态空间建模，提供一种灵活且可解释的黑箱深度学习方法替代方案。

提出的方法

• ABCO 将每个时间序列建模为三部分之和：局部变化趋势、稀疏加性异常值信号与异方差噪声过程。
• 趋势分量采用 D 阶差分模型，并结合类似正态分布的收缩先验，以促进稀疏性并检测孤立变点。
• 采用具有 Z 分布创新项的阈值随机波动率过程，以建模时变波动率，实现在高波动与低波动区域的自适应检测。
• 利用 horseshoe-plus 先验对异常值进行建模，使极端值可被识别，同时避免扭曲趋势估计。
• 状态空间结构支持高效的 MCMC 后验推断，包括趋势与变点位置的可信区间。
• 通过在干预点处对趋势的一阶差分进行建模，将模型扩展至中断时间序列，从而实现对效果量的后验推断。

实验结果

研究问题

• RQ1 能否构建一个贝叶斯状态空间模型，同时检测变点与局部异常值，并自适应地应对时变波动率？
• RQ2 在非平稳时间序列中，引入局部波动率追踪如何改善变点检测性能？
• RQ3 在存在显著异常值与随机波动率的情况下，ABCO 相较于现有方法的优越性体现在多大程度上？
• RQ4 ABCO 是否能为中断时间序列中的结构断裂提供可靠的不确定性量化，包括效果量估计？
• RQ5 全局-局部收缩先验的使用如何增强趋势与变点估计的自适应性？

主要发现

• 在存在显著异常值与异方差噪声的模拟实验中，ABCO 在检测真实变点与最小化假阳性方面优于 Fearnhead & Rigaill (2017) 与 Pein et al. (2017)。
• 模型成功识别出西西里岛在禁烟令后急性心肌梗死发生率的水平下降，未发现斜率变化或临时效应的证据。
• 对干预时刻一阶差分的后验推断显示，平均效应量约为 -20，不确定性较大，表明存在立即但持续的影响。
• 模型能自适应地响应局部波动率，在干预点处表现出更高的不确定性，同时在干预前后保持稳定的推断。
• ABCO 为趋势与观测过程提供了可靠的 95% 可信带，证明了在时间维度上具有鲁棒的不确定性量化能力。
• 对趋势差分采用类似正态分布的收缩先验，能有效抑制虚假波动，同时允许孤立的大幅变化被识别为真实变点。